大資料是人類生產和生活在網際網路中產生的資訊，我們可以稱作樣本資料，當資訊達到一定數量，通過樣本資料可以總結和歸納一些規律性的資料。樣本資料量越大，對目標物體識別和分析的越準確。目前的人工智慧是現有資料輸入，然後返回來指導生產和生活。未來人工智慧不僅如此，而能達到自我學習，自己生產資料然後成長，自己再分析資料

大資料在後端，提供海量的業務資料儲存；

而人工智慧在前端，通過演算法模型，為業務提供智慧化的服務。

人工智慧的實現，要有演算法、模型和海量的大資料集；

人工智慧的基礎，就是機器學習，先定義出自己的演算法模型，然後用大批量的資料，不斷地訓練和改善模型，使其準確率越來越高，達到商用的要求。

所以，人工智慧依賴於大資料。

另一方面，人工智慧演算法，根據不同的業務場景，會有不同的需求，而這些需求所依賴的資料型別，在資料儲存系統裡可能未必存在。為了滿足演算法要求，資料採集系統必須進行資料擴充套件，通過更多的資料採集手段，例如爬蟲、ETL等，不斷豐富業務欄位和資料量，滿足更深層次的分析需求。

所以，人工智慧可以引導和豐富大資料的採集邏輯。

大資料是通過計算機通過各種渠道進行採集而來。人工智慧通過大資料的分析，學習總結歸納出原理或經驗。例如阿爾法狗通過大資料分析，每次比賽的分析，取得無比倫比的比賽經驗。與人比賽時，通過以前大資料的分析，追求最可能取勝的結果。

人工智慧的實現，要有演算法、模型和海量的大資料集；人工智慧的基礎，就是機器學習，先定義出自己的演算法模型，然後用大批量的資料，不斷地訓練和改善模型，使其準確率越來越高，達到商用的要求。人工智慧依賴於大資料。

另一方面，人工智慧演算法，根據不同的業務場景，會有不同的需求，而這些需求所依賴的資料型別，在資料儲存系統裡可能未必存在。為了滿足演算法要求，資料採集系統必須進行資料擴充套件，通過更多的資料採集手段，例如爬蟲、ETL等，不斷豐富業務欄位和資料量，滿足更深層次的分析需求。

在以上我的精彩的分享是關於這個問題的解答，都是我的真實想法與觀點，同時我希望我分享的這個問題的解答於分享能夠幫助到大家。

大資料是通過計算機通過各種渠道進行採集而來。人工智慧通過大資料的分析，學習總結歸納出原理或經驗。例如阿爾法狗通過大資料分析，每次比賽的分析，取得無比倫比的比賽經驗。與人比賽時，通過以前大資料的分析，追求最可能取勝的結果。人類是舉一反三。而人工智慧恰恰相反是舉萬反一。通過對大資料的分析學習最新的下棋方法，應對策略。從而做出判斷並執行，而不是機械的執行指令。